RousselTMLEARNING

Article · Opentelemetry : de la découverte à l'expertise

Corréler traces, métriques, logs et profils

1. Pourquoi corréler #

Le temps de diagnostic est le vrai coût d'un incident.

Sans et avec corrélation #

Sans corrélation, l'ingénieur d'astreinte voit un pic d'erreurs dans un tableau de bord, cherche des logs autour de la même heure, devine quel service est en cause, puis cherche une trace « qui ressemble ». Avec des signaux corrélés, chaque étape est un clic, sur des données qui concernent la même requête.

Navigation entre signaux
Chaque flèche correspond à un identifiant partagé par les signaux.

2. Les mécanismes de corrélation #

Ce qu'il faut mettre en place.

Vue d'ensemble #

LienMécanismeÀ vérifier
Tous les signaux d'un serviceressource identique (service.name, service.version, deployment.environment.name, k8s.pod.name)même SDK ou mêmes variables pour tous les signaux ; k8sattributes dans le Collector
Log → tracetrace_id et span_id dans chaque logappender OTel ou ajout dans le format JSON
Métrique → traceexemplars avec trace_idexemplars activés dans le SDK et stockés par le backend (Prometheus --enable-feature=exemplar-storage)
Trace → métriquesspan metrics et service graph calculés depuis les spansconnecteurs spanmetrics, servicegraph ou générateur de métriques de Tempo
Trace → profiléchantillons étiquetés avec le span_idSDK de profilage avec span processor
Contexte métierbaggage propagé (tenant.id, shop.customer.tier)processor qui copie le baggage en attributs

Une ressource partagée #

# Les mêmes variables pour tous les signaux d'un service
export OTEL_SERVICE_NAME=checkout
export OTEL_RESOURCE_ATTRIBUTES=service.namespace=shop,service.version=1.4.0,deployment.environment.name=production
export OTEL_TRACES_EXPORTER=otlp OTEL_METRICS_EXPORTER=otlp OTEL_LOGS_EXPORTER=otlp
Erreur Courante : Si les traces disent checkout et les logs checkout-api, aucune navigation automatique ne fonctionne. Le nom du service est la clé de toute la corrélation.

3. Configurer Grafana #

Les liens entre sources de données.

Provisioning des sources #

apiVersion: 1
datasources:
  - name: Tempo
    type: tempo
    uid: tempo
    url: http://tempo:3200
    jsonData:
      tracesToLogsV2:
        datasourceUid: loki
        filterByTraceID: true
        spanStartTimeShift: -5m
        spanEndTimeShift: 5m
      tracesToMetrics: { datasourceUid: prometheus }
      tracesToProfiles: { datasourceUid: pyroscope, profileTypeId: "process_cpu:cpu:nanoseconds:cpu:nanoseconds" }
      serviceMap: { datasourceUid: prometheus }
  - name: Loki
    type: loki
    uid: loki
    url: http://loki:3100
    jsonData:
      derivedFields:
        - { name: TraceID, matcherRegex: '"trace_id":"(\w+)"', url: "$${__value.raw}", datasourceUid: tempo }
  - name: Prometheus
    type: prometheus
    uid: prometheus
    url: http://prometheus:9090
    jsonData:
      exemplarTraceIdDestinations: [{ name: trace_id, datasourceUid: tempo }]

Le parcours type #

Parcours de diagnostic
Sans corrélation, chaque étape est une recherche manuelle par horodatage.
  1. L'alerte de burn rate se déclenche sur le SLO de latence.
  2. Le panneau de latence p99 affiche des exemplars : on clique sur le plus haut.
  3. La trace s'ouvre : le span payment dure 2 s et finit en erreur.
  4. « Logs for this span » affiche le log connection pool exhausted.
  5. « Profiles for this span » montre le temps passé à attendre le pool.
  6. La version (service.version) montre que le problème est apparu avec le dernier déploiement.

4. Baggage et contexte métier #

Corréler aussi avec le métier.

Utiliser le baggage #

from opentelemetry import baggage, context
ctx = baggage.set_baggage("shop.customer.tier", "premium")
token = context.attach(ctx)        # propagé aux services appelés (en-tête baggage)
try:
    appeler_paiement()
finally:
    context.detach(token)

Dans les SDK et le Collector, un span processor peut copier certaines clés du baggage en attributs de span pour filtrer « toutes les traces lentes des clients premium ».

Erreur Courante : Le baggage voyage en clair dans les en-têtes HTTP, y compris vers des services tiers : n'y mettez jamais de données sensibles et filtrez-le en sortie du système.

📄 Corréler traces, métriques, logs et profils avec OpenTelemetry →

Mon suivi

  • ⏱ Durée estimée : ≈ 10 min

Connectez-vous pour suivre votre progression et prendre des notes. Se connecter

💬 Discussions récentes de la formation

Poser une question sur cette leçon →Voir toutes les discussions de la formation

Articles recommandés

Corréler traces, logs, métriques et profils dans Grafana

Relier Tempo aux logs (Loki), aux métriques (Prometheus) et aux profils (Pyroscope) : tracesToLog...

Les profils, le quatrième signal d'OpenTelemetry : profilage continu et corrélation avec les traces

Comprendre le nouveau signal profile d'OpenTelemetry : profilage continu, flame graphs, modèle de...

Relier traces et profils : span profiles avec Tempo et Pyroscope

Passer d'une trace lente au profil CPU exact de ce span : span profiles en Go et Java, configurat...

Tempo : générer des métriques à partir des traces (service graph, span metrics, exemplars)

Activer le metrics-generator de Tempo : service graphs, span metrics RED, remote write vers Prome...

Projet fil rouge : les quatre signaux de l'OpenTelemetry Demo dans la stack Grafana

Un projet fil rouge qui traverse les formations d'observabilité : déployer l'OpenTelemetry Demo, ...

Les logs avec OpenTelemetry : modèle de données, appenders, corrélation et collecte

Maîtriser le signal log : modèle de données LogRecord, Logs Bridge API et appenders (Logback, Log...

Les métriques OpenTelemetry : instruments, temporalité, histogrammes et exemplars

Maîtriser le signal métrique : MeterProvider, instruments synchrones et asynchrones (Counter, UpD...

APM Datadog et OpenTelemetry : traces, services et corrélation avec les logs

Instrumenter ses applications pour l'APM Datadog (dd-trace, instrumentation en une étape, OpenTel...

OpenTelemetry : Instrumentation Automatique vs Manuelle

Comprenez les différences entre l'instrumentation automatique et manuelle avec OpenTelemetry, leu...

Soutenir

♥ SOUTENIR

Soutenez RousselTM Learning

Les formations, articles, TP et attestations restent gratuits et sans publicité intrusive. Une contribution libre, du montant de votre choix, finance l’hébergement, les environnements de TP et l’écriture de nouveaux contenus.

Contribuer avec PayPal Montant libre · carte bancaire ou compte PayPalEn savoir plus
QR code PayPal
Ou scannez ce QR code avec votre téléphone

Merci, chaque contribution compte !